Algoritma BERT: Bagaimana Google Belajar Membaca Bahasa dalam Konteks

BERT adalah teknik jaringan saraf untuk pemrosesan bahasa alami yang diperkenalkan Google ke Pencarian pada Oktober 2019. Singkatan dari Bidirectional Encoder Representations from Transformers, teknik ini membantu mesin memahami konteks penuh kata dalam sebuah kueri dengan mempertimbangkan kata-kata yang muncul sebelum dan sesudah masing-masing kata. Saat diluncurkan, Google menyatakan teknik ini akan memperbaiki satu dari sepuluh pencarian berbahasa Inggris di Amerika Serikat, lompatan terbesar dalam pemahaman bahasanya sejak RankBrain.

BERT bukan hukuman peringkat atau celah yang bisa dimanipulasi. Ia adalah peningkatan pemahaman yang memungkinkan Google menafsirkan frasa yang berantakan dan percakapan seperti yang dilakukan manusia. Bagi siapa pun yang menulis konten, pergeseran itu menghargai bahasa yang jelas dan alami serta diam-diam menghukum trik kata kunci yang mengabaikan makna.

Apa itu algoritma BERT?

BERT sekaligus tiga hal: komponen Google Search, kerangka riset sumber terbuka, dan alat pemrosesan bahasa alami umum. Google membukanya sebagai sumber terbuka pada 2018 dan memasukkannya ke Pencarian pada tahun berikutnya. Tugasnya adalah memodelkan bagaimana kata-kata berhubungan satu sama lain dalam sebuah kalimat, sehingga mesin dapat membaca kueri sebagai pikiran yang saling terkait, bukan sekumpulan kata kunci.

Terobosannya adalah pemahaman kontekstual. Sistem sebelumnya sering memperlakukan tiap kata secara terpisah atau memindai teks hanya dalam satu arah. BERT memproses sebuah kata dalam hubungannya dengan setiap kata lain di sekitarnya, yang memungkinkannya membedakan makna, menyelesaikan kata ganti, dan mengetahui kapan kata kecil seperti preposisi mengubah seluruh arti sebuah permintaan.

Cara kerja BERT: transformer dua arah

Huruf B dalam BERT berarti bidirectional (dua arah). Model bahasa yang lebih lama seperti Word2Vec membaca teks dalam satu arah, kiri ke kanan atau kanan ke kiri, melalui jendela yang terbatas. BERT membaca seluruh kalimat di kedua sisi sebuah kata pada saat yang sama, memberinya pemahaman konteks yang jauh lebih kaya. Inilah gagasan terpenting di balik akurasinya.

Huruf T berarti transformers, arsitektur transformer yang menggerakkan sebagian besar model bahasa modern. BERT dilatih dengan metode bernama masked language modeling: ia menyembunyikan kata-kata tertentu dan belajar memprediksinya dari teks di sekitarnya, yang memaksanya membangun model mendalam tentang bagaimana bahasa saling menyatu. Pra-pelatihan ini, salah satu bentuk pembelajaran mesin, memberi BERT pemahaman umum tentang makna.

BERT beraksi: contoh curb dan visa

Google mengilustrasikan BERT dengan dua kueri yang kini terkenal. Untuk pencarian 2019 brazil traveler to usa need a visa, sistem lama melewatkan kata to dan menampilkan halaman tentang warga Amerika Serikat yang bepergian ke Brasil. BERT menyadari bahwa preposisi itu membalik makna dan memunculkan informasi yang tepat untuk orang Brasil yang menuju Amerika.

Contoh kedua menyangkut parkir di tanjakan tanpa curb (tepi trotoar). Sebelumnya Google bertumpu pada kata curb dan mengabaikan no, sehingga menampilkan kebalikan dari yang diinginkan pencari. BERT menangani negasi dengan benar. Kedua kasus menunjukkan kekuatannya pada kueri yang lebih panjang dan bernuansa percakapan serta pada pencarian di mana preposisi seperti for dan to membawa maknanya.

BERT vs RankBrain

BERT adalah perubahan terbesar pada Pencarian sejak RankBrain diluncurkan sekitar lima tahun sebelumnya, dan keduanya bekerja bersama, bukan bersaing. RankBrain menyesuaikan cara Google menafsirkan kueri dan menyetel hasil berdasarkan perilaku pengguna, mempelajari pola dari waktu ke waktu. Itu adalah penggunaan utama pertama kecerdasan buatan oleh Google untuk memahami pencarian.

BERT lebih terspesialisasi. Ia berfokus pada struktur linguistik sebuah kueri, mengurai bagaimana kata-kata bergabung membentuk maksud. Jika RankBrain belajar dari interaksi di banyak pencarian, BERT membawa pemahaman bahasa yang mendalam ke kueri individual di hadapannya. Keduanya bagian dari keluarga sistem yang lebih besar yang menggerakkan Google menuju pencarian semantik yang sesungguhnya.

Di mana BERT diterapkan di Pencarian

BERT beroperasi di sisi kueri maupun sisi hasil. Ia membantu Google mengurai apa yang sebenarnya dimaksud pencari, yang paling penting untuk frasa yang alami dan bergaya percakapan lisan. Ia juga menghasilkan featured snippet yang lebih baik, di mana Google melaporkan menerapkan BERT di dua lusin negara dengan peningkatan nyata pada bahasa seperti Korea, Hindi, dan Portugis.

Karena meningkatkan cara mesin membaca maksud pencarian, BERT cenderung menghargai halaman yang menjawab pertanyaan nyata dengan jelas. Ia menggeser Pencarian dari pencocokan kata kunci secara harfiah menuju pencocokan makna di balik kueri, itulah sebabnya konten yang membahas topik secara menyeluruh berkinerja lebih baik daripada konten yang dijejali frasa persis.

Bisakah Anda mengoptimalkan untuk BERT?

Tidak secara langsung, dan itulah intinya. Google telah menegaskan bahwa tidak ada yang perlu dioptimalkan: BERT adalah kerangka pemahaman, bukan tuas peringkat. Panduan resminya sederhana saja, yaitu menulis secara alami, karena BERT membantu Google memahami konten yang sudah enak dibaca, bukan menghargai format khusus apa pun.

Dalam praktiknya, ini berarti berfokus pada kejelasan dan kebutuhan pencari. Halaman dengan konten yang ditulis baik dan bernuansa percakapan yang benar-benar menjawab pertanyaan cenderung diuntungkan, sedangkan penjejalan kata kunci tanpa konteks bisa kehilangan posisi. Menyelaraskan tulisan Anda dengan pertanyaan pengguna yang nyata, didukung riset kata kunci dan perencanaan konten yang baik, adalah cara paling andal untuk tetap berada di sisi yang benar dari sistem pemahaman bahasa.

Mengapa BERT penting bagi SEO dan GEO

Bagi SEO, BERT mengukuhkan arah yang sudah lama berjalan: tulislah untuk manusia terlebih dahulu. Ia menjadikan makna, struktur, dan kejelasan sebagai mata uang pencarian, bukan kata kunci yang cocok persis, memperkuat nilai konten bermanfaat yang memenuhi maksud pencarian. Halaman yang tipis atau manipulatif menjadi lebih mudah ditembus Google.

Bagi optimasi mesin generatif, BERT adalah leluhur awal sistem yang kini menggerakkan pencarian AI. Pemahaman dua arah berbasis transformer yang sama menopang model bahasa besar di balik asisten seperti ChatGPT, Perplexity, dan Gemini. Konten yang ditulis cukup jelas untuk dipahami BERT juga merupakan konten yang dapat diurai, dipercaya, dan dikutip sistem LLM ini, menjadikan bahasa yang baik sebagai fondasi bersama untuk pencarian dan visibilitas AI.

Kesimpulan

BERT menandai saat Google belajar membaca kueri dalam konteks, memakai transformer dua arah untuk menimbang setiap kata terhadap kata-kata di sekitarnya. Saat diluncurkan, ia memperbaiki satu dari sepuluh pencarian berbahasa Inggris, mempertajam featured snippet, dan mendorong SEO secara tegas ke arah penulisan yang alami dan berfokus pada maksud. Tidak ada trik untuk mengoptimalkannya, hanya disiplin menjawab pertanyaan nyata dengan jelas.

Untuk melangkah lebih jauh, hubungkan topik ini dengan pemrosesan bahasa alami dan pencarian semantik, serta gunakan alat riset dan perencanaan konten Sorank untuk menyasar pertanyaan yang benar-benar diajukan orang. Sumber rujukan: Google Blog, Search Engine Journal, dan Search Engine Land.